[發明專利]一種基于深度-遷移學習的鋰離子電池SOC估計方法

有效

• 申請號: 202011570001.1
• 申請日: 2020-12-26
• 公開（公告）號: CN112540298B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 王亞雄;陳振航;陳錦洲;楊慶偉
• 申請（專利權）人: 福州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01R31/367;G01R31/387;G01R31/378;G06N3/063;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

本發明涉及一種基于深度?遷移學習的鋰離子電池SOC估計方法，獲得源域訓練集以及目標域訓練集和測試集；構建基于深度學習的鋰離子電池SOC估計源域模型，利用源域訓練集對鋰離子電池SOC估計源域模型進行訓練，保存模型訓練數據參數；構建基于深度學習的鋰離子電池SOC估計目標域模型，采用遷移學習方法，將鋰離子電池SOC估計源域模型訓練數據參數轉移至所述鋰離子電池SOC估計目標域模型，共享模型權值參數進行初始化設置；將鋰離子電池目標域訓練集導入鋰離子電池SOC估計目標域模型進行微調訓練處理，進一步導入目標域測試集預測鋰離子電池SOC值。本發明減少鋰離子電池SOC估計模型的訓練時間和實驗數據收集過程需要耗費大量的時間和資金投入。

技術領域

本發明涉及電池SOC估計技術領域，特別是一種基于深度-遷移學習的鋰離子電池SOC估計方法。

背景技術

鋰離子動力電池，是目前常用的電動汽車車載動力源，由于所具有的高能量密度、大倍率充電和耐低溫性能等優點，使其成為了該研究領域的關注對象。

鋰離子電池的荷電狀態(State ofCharge，SOC)估算，即計算電池剩余電量與相同條件下額定容量的比值，是電池管理系統中重要的功能之一；精確的估算鋰離子電池荷電狀態能為駕駛員提供精確的車輛剩余電量信息及續駛里程數參考，防止因過充電過放電影響電池的壽命。SOC數值是無法直接測量的，所以須間接通過對電池的特征參數進行分析處理或相關的算法計算，但電動汽車在行駛過程中反復變速導致電池的溫度、電壓、電流、內阻等特征參數具有高度的非線性特性，導致精準估算SOC具有較高的難度。這兩方面因素即為電池SOC估算時主要的難題。

目前而言，針對電動汽車電池SOC估計的研究主要有Ah積分法、開路電壓法、內阻法、卡爾曼濾波方法以及先進的基于深度學習的預測方法。近年來，深度學習被廣泛應用在各行各業，原理是基于大量的樣本數據，通過訓練學習，來掌握非線性模型的內部規律。研究表明利用深度學習對于電池SOC估算時，其對電池模型依賴性并不是很強，深度學習依據輸入的特性參數可以主動學習到動力電池內部的關系，且對不同的電池環境有很強的泛化性。采用深度學習方法，需要大量的實驗數據支撐，而實驗過程需要耗費大量的時間和成本，考慮到鋰離子電池之間的相關性，目前存在許多的鋰離子電池標準數據集，這些數據集與自主實驗數據均存在著一定的聯系具有研究的意義。

發明內容

有鑒于此，本發明的目的是提出一種基于深度-遷移學習的鋰離子電池SOC估計方法，保證了鋰離子電池狀態估計的工作性能，降低系統的功耗，同時減少鋰離子電池SOC估計模型的訓練時間和實驗數據收集過程需要耗費大量的時間和資金投入。

本發明采用以下方案實現：一種基于深度-遷移學習的鋰離子電池SOC估計方法，具體包括以下步驟：

對鋰離子電池標準數據集做預處理，獲得用于鋰離子電池SOC估計標準模型的源域訓練集；

對鋰離子電池進行自主充放電實驗，將得到的數據用于鋰離子電池SOC估計的目標域訓練集和測試集；

構建基于深度學習的鋰離子電池SOC估計源域模型，利用源域訓練集對鋰離子電池SOC估計源域模型進行訓練，保存模型訓練數據參數；

構建基于深度學習的鋰離子電池SOC估計目標域模型，采用遷移學習方法，將鋰離子電池SOC估計源域模型訓練數據參數轉移至所述鋰離子電池SOC估計目標域模型，共享模型權值參數進行初始化設置；

將鋰離子電池目標域訓練集導入鋰離子電池SOC估計目標域模型進行微調訓練處理，進一步導入目標域測試集預測鋰離子電池SOC值。

進一步地，還包括步驟：采用訓練完成后的鋰離子電池SOC估計目標域模型預測鋰離子電池SOC值。

進一步地，所述鋰離子電池標準數據集內包含不同材料類型的鋰離子電池的電壓、充放電電流以及環境溫度信息。